利用反射率多光谱成像技术估算土壤颗粒大小组成及进行美国农业部土壤质地分类

《IEEE Access》：Reflectance Multispectral Imaging for Soil Grain-Size Composition Estimation and USDA Texture Classification

　　

摘要：

在高级空中移动性应用中，由于在有限的频谱资源下，移动性、干扰和安全约束之间存在着紧密的联系，因此要同时优化多智能体沿预定飞行路线的运动控制以及频谱使用效率是一项极具挑战性的任务。本文提出了一种基于大型语言模型的协作决策框架，用于实现包含自动驾驶车辆与地面基站之间通信的空中移动性系统中的联合速度控制及双向信道选择，这些车辆需遵循预定的线性路线行进。我们将该问题建模为一种具有离散动作空间的协作马尔可夫博弈，这些动作包括速度选择以及上行和下行信道的使用，同时还要满足信号干扰加噪声比的要求以及避免碰撞的约束。为了获得可靠的专家级决策行为，我们首先利用基于价值分解双深度Q网络的多智能体强化学习方法学习近乎最优的策略。之后，我们将联合决策视为序列生成任务，借助大型语言模型，根据结构化的环境描述，在提示工程以及通过低秩适配对专家示范进行参数高效微调的辅助下，生成完整的联合动作序列。大量仿真结果表明，结构化提示能够提升决策质量，而低秩适配微调则能进一步增加奖励值、降低方差，使决策结果更接近专家策略。除了具备这种模仿功能外，大型语言模型层还能将6辆自动驾驶车辆的专家示范转化为序列级的决策生成器。在10辆自动驾驶车辆的未知场景中，这种生成器的零样本泛化能力优于从6辆车辆的环境中迁移过来的VD3QN策略。